本發(fā)明涉及一種基于多模態(tài)數(shù)據(jù)的術后譫妄評估方法，同時也涉及相應的術后譫妄評估系統(tǒng)，屬于醫(yī)療輔助評估。

背景技術：

1、術后譫妄(postoperative?delirium，簡稱pod)是一種在外科手術后1周內(nèi)出現(xiàn)的中樞神經(jīng)系統(tǒng)功能異常，常見于老年患者。pod不僅增加了患者圍術期不良事件的發(fā)生，還可能危及生命，延長住院時間，并增加醫(yī)療費用。pod的主要癥狀包括注意力障礙、意識水平紊亂和認知功能障礙，這些癥狀通常在術后24至72小時內(nèi)出現(xiàn)。pod患者的遠期認知功能下降比率顯著升高，并且容易進展為慢性認知功能障礙乃至阿爾茲海默癥，嚴重影響患者的預后及轉(zhuǎn)歸。

2、急性a型主動脈夾層是一種極其危險的疾病，其術后早期死亡率高達11.6％～18.4％，永久性神經(jīng)功能損傷高達6.3％～4.8％。術后神經(jīng)系統(tǒng)并發(fā)癥是a型主動脈夾層最常見及最棘手的問題，包括暫時性和永久性神經(jīng)系統(tǒng)功能障礙，這些并發(fā)癥顯著延長患者icu住院時間、延誤術后康復及降低遠期生活質(zhì)量，甚至危及患者生命。

3、pod對患者預后有諸多不良影響，包括住院時間和費用的增加、近遠期死亡率的增加、并發(fā)癥增多、生活自理能力下降、長期認知能力下降。術中腦保護策略的主旨在于改善生存率和神經(jīng)功能，包括經(jīng)單側(cè)或雙側(cè)腦灌注、順行灌注或逆行灌注、灌注血管的抉擇及腦灌注流量的把控。腦灌注方式、腦血流狀態(tài)和術后腦功能之間可能存在相關性，不同的腦灌注方式可能導致不同的腦血流變化狀態(tài)，而腦血流狀態(tài)差異可能是導致腦功能損傷程度不同的原因。

4、因此，如何利用多模態(tài)數(shù)據(jù)為pod提供更加科學、可行、有效的評估手段，成為目前pod評估的一個重要研究方向。例如，在專利號為zl?202410121868.0的中國發(fā)明專利中，公開了一種多模態(tài)數(shù)據(jù)驅(qū)動的術后譫妄評估系統(tǒng)。它通過采集待評估患者術后的眼跳數(shù)據(jù)和腦電數(shù)據(jù)；利用預訓練的神經(jīng)網(wǎng)絡模型，基于術后譫妄評估數(shù)據(jù)進行分類預測，得到待評估患者的術后譫妄評估結果。

技術實現(xiàn)思路

1、本發(fā)明所要解決的首要技術問題在于提供一種基于多模態(tài)數(shù)據(jù)的術后譫妄評估方法。

2、本發(fā)明所要解決的另一技術問題在于提供一種基于多模態(tài)數(shù)據(jù)的術后譫妄評估系統(tǒng)。

3、為實現(xiàn)上述技術目的，本發(fā)明采用以下的技術方案：

4、根據(jù)本發(fā)明實施例的第一方面，提供一種基于多模態(tài)數(shù)據(jù)的術后譫妄評估方法，包括如下步驟：

5、獲取患者的術前基本信息和認知測評數(shù)據(jù)；

6、基于所述患者的術前基本信息和認知測評數(shù)據(jù)，通過第一預測模型對所述患者進行初步預測，以獲取所述患者發(fā)生術后譫妄的風險等級；所述風險等級至少包括低級風險、中級風險和高級風險；

7、根據(jù)所述患者對應的風險等級，選擇不同的手術方式以及腦保護策略，以獲取個性化的手術方案；

8、基于所述個性化的手術方案，獲取所述患者的術中相關數(shù)據(jù)；

9、將所述患者的術前基本信息、認知測評數(shù)據(jù)以及術中相關數(shù)據(jù)進行數(shù)據(jù)整合，并對整合后的多模態(tài)數(shù)據(jù)進行數(shù)據(jù)預處理；

10、將經(jīng)過預處理后的所述多模態(tài)數(shù)據(jù)輸入第二預測模型內(nèi)，以再次預測所述患者發(fā)生術后譫妄的風險等級，并輸出對應的術后康復方案；

11、其中，基于歷史患者的術前基本信息和認知測評數(shù)據(jù)，形成第一階段的多模態(tài)數(shù)據(jù)；并且，基于歷史患者的術中相關數(shù)據(jù)，結合所述第一階段的多模態(tài)數(shù)據(jù)，形成第二階段的多模態(tài)數(shù)據(jù)；

12、所述第一預測模型與所述第二預測模型均為多任務學習模型，并且所述第一預測模型基于所述第一階段的多模態(tài)數(shù)據(jù)進行多任務學習后形成，所述第二預測模型基于所述第二階段的多模態(tài)數(shù)據(jù)進行多任務學習后形成。

13、其中較優(yōu)地，所述術前基本信息至少包括：生命體征，既往病史，術前化驗、影像學原始圖像以及人口統(tǒng)計學信息；

14、所述認知測評數(shù)據(jù)至少包括：量表測評得分和/或任務測評得分；

15、所述術中相關數(shù)據(jù)至少包括：手術術式、單側(cè)/雙側(cè)腦灌注、順行/逆行腦灌注、體外循環(huán)插管方式、主動脈阻斷時間、體外循環(huán)時間、最低鼻咽溫、最低直腸溫以及術中血壓波動。

16、其中較優(yōu)地，所述多任務學習模型包括：

17、輸入層，用于多模態(tài)數(shù)據(jù)的輸入；

18、多任務學習層，用于根據(jù)所述輸入層輸入的多模態(tài)數(shù)據(jù)進行多任務學習，從而輸出所述多模態(tài)數(shù)據(jù)與術后譫妄的映射關系；

19、全連接層；用于連接所述輸入層與所述多任務學習層；

20、其中，利用所述多任務學習層進行第一階段的多任務學習，以獲取根據(jù)所述多模態(tài)數(shù)據(jù)篩選的各個風險因子與術后譫妄的映射關系，構建用于主動脈夾層手術患者的第一預測模型；基于所述第一預測模型，利用所述多任務學習層進行第二階段的多任務學習，從而構建用于主動脈夾層手術患者第二預測模型。

21、其中較優(yōu)地，通過第一階段和第二階段多任務學習的交替進行，以對所述第二預測模型進行數(shù)據(jù)擬合，從而獲取與所述第一預測模型相比，所述第二預測模型中各需求參數(shù)的因果因子貢獻變化結果；

22、基于所述第二預測模型中各需求參數(shù)的因果因子貢獻變化結果，獲取所述第一預測模型與所述第二預測模型的因果貢獻關系。

23、其中較優(yōu)地，根據(jù)所述患者對應的風險等級，選擇不同的手術方式以及腦保護策略，以獲取個性化的手術方案，具體包括：

24、針對于低級風險的患者，采用常規(guī)術中心電及血壓監(jiān)護，形成第一手術方案；

25、針對于中級風險的患者，采用血壓管理策略，以在預設范圍內(nèi)調(diào)高血壓，從而縮短主動脈阻斷時間及降溫時間，形成第二手術方案；

26、針對于高級風險的患者，在所述第二手術方案基礎上，增加雙動脈插管、雙側(cè)腦灌注以及術式優(yōu)化措施，形成第三手術方案。

27、其中較優(yōu)地，若所述患者的認知測評結果為認知異常，則在對所述患者進行初步預測之前進行數(shù)字化認知訓練。

28、其中較優(yōu)地，對整合后的多模態(tài)數(shù)據(jù)進行數(shù)據(jù)預處理，具體包括：

29、針對整合后的多模態(tài)數(shù)據(jù)，對缺失數(shù)據(jù)進行補全，并對異常數(shù)據(jù)進行刪除；

30、從所述多模態(tài)數(shù)據(jù)中選擇出與譫妄風險相關的特征；其中，所述特征分為連續(xù)性數(shù)據(jù)和結構化數(shù)據(jù)；

31、針對所述連續(xù)性數(shù)據(jù)，進行標準化或歸一化處理，以使不同數(shù)據(jù)類型的數(shù)值范圍保持一致；

32、針對所述結構化數(shù)據(jù)，進行歸一化處理，并進行數(shù)據(jù)整合。

33、其中較優(yōu)地，采用交叉驗證或超參數(shù)優(yōu)化工具調(diào)整所述第二預測模型的超參數(shù)，并且，基于預設損失函數(shù)對所述第二預測模型進行模型優(yōu)化。

34、根據(jù)本發(fā)明實施例的第二方面，提供一種基于多模態(tài)數(shù)據(jù)的術后譫妄評估系統(tǒng)，包括：

35、數(shù)據(jù)獲取單元，用于獲取患者的術前基本信息和認知測評數(shù)據(jù)；

36、第一預測單元，預設有第一預測模型并與所述數(shù)據(jù)獲取單元連接，以基于所述患者的術前基本信息和認知測評數(shù)據(jù)，通過第一預測模型對所述患者進行初步預測，以獲取所述患者發(fā)生術后譫妄的風險等級；所述風險等級至少包括低級風險、中級風險和高級風險；

37、方案推送單元，與所述第一預測單元連接，以根據(jù)所述患者對應的風險等級，選擇不同的手術方式以及腦保護策略，以用于向所述患者推送個性化的手術方案；

38、術中數(shù)據(jù)采集單元，用于采集所述患者的術中相關數(shù)據(jù)；

39、數(shù)據(jù)處理單元，與所述術中數(shù)據(jù)采集單元和所述數(shù)據(jù)獲取單元連接，以用于將所述患者的術前基本信息、認知測評數(shù)據(jù)以及術中相關數(shù)據(jù)進行數(shù)據(jù)整合，并對整合后的多模態(tài)數(shù)據(jù)進行數(shù)據(jù)預處理；

40、第二預測單元，預設有第二預測模型并與所述數(shù)據(jù)處理單元連接，以用于接收經(jīng)過預處理后的所述多模態(tài)數(shù)據(jù)，并基于所述第二預測模型再次預測所述患者發(fā)生術后譫妄的風險等級，從而輸出對應的術后康復方案；

41、其中，所述第一預測模型與所述第二預測模型均為多任務學習模型，并且所述第一預測模型基于歷史患者的術前基本信息和認知測評數(shù)據(jù)進行模型訓練后形成，所述第二預測模型基于歷史患者的術前基本信息、認知測評數(shù)據(jù)以及術中相關數(shù)據(jù)進行模型訓練后形成。

42、根據(jù)本發(fā)明實施例的第三方面，提供一種基于多模態(tài)數(shù)據(jù)的術后譫妄評估系統(tǒng)，包括處理器和存儲器，所述處理器讀取所述存儲器中的計算機程序，用于執(zhí)行上述術后譫妄評估方法。

43、與現(xiàn)有技術相比較，本發(fā)明具有以下的技術效果：

44、(1)通過構建兩個預測模型，可以降低主動脈夾層患者術后譫妄的風險。首先，基于術前數(shù)據(jù)和認知能力測評數(shù)據(jù)，開發(fā)第一個預測模型，這個模型旨在預測患者術前譫妄的風險，并據(jù)此調(diào)整術中手術方式和腦保護策略，以最大化降低術后譫妄的風險因素。其次，將術前數(shù)據(jù)、認知測評數(shù)據(jù)與術中相關數(shù)據(jù)相結合，構建第二個預測模型，用于術后譫妄的預測，以提高預測的精確度，并根據(jù)預測結果為患者提供個性化的術后康復方案。

45、(2)為了提升第二個預測模型的泛化能力，采用多任務聯(lián)合學習方法，將與主動脈夾層手術和術后譫妄相關以及不相關的影響因素都納入模型進行疊加分析。這種方法通過多任務學習中不同任務的局部最優(yōu)解的相互作用，有助于逃離局部最優(yōu)解，從而對模型進行數(shù)據(jù)擬合，提升模型的準確度。

46、(3)首次嘗試將認知數(shù)字療法應用于主動脈夾層手術患者中，特別是那些存在認知障礙的患者。通過為期兩周的術前認知訓練，能夠降低這些患者術后譫妄的發(fā)生風險。